PORTFÓLIO TÉCNICO // ENGENHARIA & MODELAGEM

Pair Trading com Machine Learning na B3 (USP/ESALQ & Revista E&S)

public

Monografia de conclusão do MBA em Data Science e Analytics na USP/ESALQ e artigo científico publicado na Revista Estratégias e Soluções (Rev...

Contexto / Organização: USP / ESALQ
Período: 2024 - 2026
Categoria de Atuação: Quantitative Finance
Tecnologias: Python, Statsmodels, Scikit-Learn, Pandas, NumPy, Matplotlib

Visão Geral Executiva

Monografia de conclusão do MBA em Data Science e Analytics na USP/ESALQ e artigo científico publicado na Revista Estratégias e Soluções (Rev. E&S). Desenvolveu um estudo comparativo empírico rigoroso entre o arcabouço clássico econométrico de cointegração de Engle-Granger e algoritmos supervisionados e não supervisionados (PCA + DBSCAN) aplicados à arbitragem estatística em ações da B3.

Arquitetura & Fluxo de Dados

O diagrama abaixo ilustra a topologia e esteira de processamento dos componentes técnicos sanitizados:

flowchart TD
  A[Dados Históricos B3] --> B[Pré-processamento & Alinhamento Temporal]
  B --> C1[Filtros Econométricos Engle-Granger / ADF]
  B --> C2[Classificadores Supervisionados Machine Learning]
  C1 --> D[Mecanismo de Backtesting & Sinais de Arbitragem]
  C2 --> D
  D --> E[Métricas de Risco & Retorno: Sharpe / Drawdown / Sortino]

Destaques de Engenharia

  • Publicação em Periódico Científico: Artigo revisado por pares publicado na Revista Estratégias e Soluções (Rev. E&S, ISSN 2675-6528, DOI: 10.22167/2675-6528-202602302) com acesso aberto e validação empírica walk-forward.
  • Modelagem Empírica Rigorosa: Análise comparativa entre métodos econométricos paramétricos (ADF, Engle-Granger) e pipeline de Machine Learning (PCA + DBSCAN).
  • Simulação de Carteiras: Backtesting em dados históricos com retorno acumulado de 202,48%, índice de Sharpe de 0,85 e volatilidade anualizada de 4,29%, acima do CDI no período.
  • Aprovação Acadêmica: Defesa homologada pela banca examinadora da USP/ESALQ.

Referências e Comprovações